Modelos de simulación y herramientas de modelaje: elementos conceptuales y sistematización de herramientas para apoyar el análisis de impactos de la variabilidad y el cambio climático sobre las actividades agrícolas

PROYECTO EUROCLIMA - IICA

Modelos

de

simulación

y

herramientas

de

modelaje

adaptarse y mitigar los efectos del cambio climático Instituto Interamericano de Cooperación para la Agricultura (IICA) Sede Central. San José, Vázquez de Coronado,

San Isidro 11101-Costa Rica, América Central Apartado 55-2200 Teléfonos:+ (506) 2216-0188 / 2216-0194 Fax: (506) 2216-0233

PROYECTO EUROCLIMA - IICA

Modelos de simulación

y herramientas de modelaje

Elementos conceptuales y sistematización de herramientas

para apoyar el análisis de impactos de la variabilidad y el

cambio climático sobre las actividades agrícolas

1. Primera versión elaborada por Adriana Bonilla, consultora. Revisada por Christian Bunn, consultor.

2. En este documento se presenta una síntesis de los conceptos básicos sobre los modelos de simulación para estudiar el impacto de la variabilidad y el cambio climá-tico en la agricultura. Dicha síntesis se complementa con una sistematización de 22 herramientas o modelos aplicables a distintas escalas. Este documento está

orien-«La presente publicación ha sido elaborada con la asistencia de la Unión Europea a través del PROGRAMA EUROCLIMA. El contenido de la misma es responsabilidad exclusiva del Instituto Interamericano de Cooperación para la Agricultura (IICA) y en ningún caso debe considerarse que refleja

Instituto Interamericano de Cooperación para la Agricultura (IICA), 2015

Modelos de simulación y herramientas de modelaje: elementos conceptuales y sistematización de herramientas para apoyar el análisis de impactos de la variabilidad y el cambio climático sobre las actividades agrícolas por IICA se encuentra bajo una Licencia Creative Commons Reconocimiento-Compartir igual 3.0 IGO (CC-BY-SA 3.0 IGO) (http://creativecommons.org/licenses/by-sa/3.0/igo/)

Creado a partir de la obra en www.iica.int.

El Instituto promueve el uso justo de este documento. Se solicita que sea citado apropiadamente cuando corresponda.

Esta publicación también está disponible en formato electrónico (PDF) en el sitio web institucional en http://www.iica.int

Coordinación editorial: Ronny Cascante Ocampo Corrección de estilo: Máximo Araya

Diagramación: Carlos Umaña Diseño de portada: Carlos Umaña Impresión: Publicación en formato digital

San José, Costa Rica

Modelos de simulación y herramientas de modelaje: elementos conceptuales y sistematización de herramientas para apoyar el análisis de impactos de la variabilidad y el cambio climático sobre las actividades agrícolas / Unión Europea, IICA -- San José: C.R.: IICA, 2015.

66 p.; 21,59cm x 27,94cm ISBN: 978-92-9248-610-5

1. Agricultura 2. Cambio climático 3. Variación climática 4. Simulación 5. Modelos simulados 6. Evaluación del impacto 7. Accidentes atmosféricos I. IICA II. Unión Europea III. Título

AGRIS DEWEY P40 363.34

Introducción ... 5

I. Elementos conceptuales básicos sobre modelos de simulación para estudiar el clima y sus impactos en la agricultura ... 9

1.1. ¿Qué es un modelo? ... 9

1.2. ¿Qué es un sistema? ... 9

1.3. ¿Qué es la simulación o el modelado? ... 10

1.4. ¿Cuáles son las alternativas a la simulación? ... 11

1.5. ¿Cuándo se usa la simulación? ... 11

1.6. ¿Qué es un modelo de simulación? ... 13

1.7. ¿Cómo se clasifican los modelos de simulación? ... 15

1.8. ¿Por qué se emplean modelos de simulación para estudiar el clima y el impacto del cambio climático sobre las actividades agrícolas? ... 15

1.9. Simplicidad versus complejidad en el diseño de modelos de simulación ... 16

1.10. La incertidumbre en los modelos de simulación ... 17

1.11. ¿Cómo manejar la incertidumbre? ... 19

1.12. ¿Cuál modelo del clima se debería escoger? ... 20

1.13. ¿Cuál escenario de cambio climático se debería usar? ... 21

II. Herramientas de modelaje climático ... 23

2.1. Modelos para el estudio en el nivel de finca o parcela ... 24

2.2. Modelos para el estudio en los ámbitos de región y cuenca hidrográfica ... 38

2.3. Modelos integrados, análisis espacial e intercomparación de modelos... 46

III. Consideraciones finales ... 53

Bibliografía ... 55

Glosario ... 63

Este documento se compone de dos secciones. La inicial, titulada “Elementos básicos sobre mode-los de simulación para estudiar el clima y sus impac-tos en la agricultura”, presenta conceptos y aspectos esenciales de la modelación. La segunda sección, “Sistematización de herramientas de modelación”, muestra una selección de modelos y herramientas de apoyo al modelaje de impactos del cambio cli-mático en la agricultura. Estos constituyen recur-sos técnicos relevantes en el estudio de los impactos que puede ocasionar el cambio climático y la varia-bilidad climática en los sistemas agrícolas.

Esta síntesis busca contribuir a una fácil com-prensión de la temática por parte de usuarios del sector agrícola, tanto técnicos y funcionarios en ge-neral como productores, así como favorecer su inte-racción con modeladores y desarrolladores de mo-delos relacionados con las actividades productivas propias del gremio.

Entender la simulación como una herra-mienta para evaluar impactos

La simulación de impactos del cambio climático en la agricultura para contribuir a la ampliación de los conocimientos de la relación clima-producción agrícola en diferentes escalas temporales, no solo es relevante para los gremios de productores y los mi-nisterios de agricultura, sino también para los secto-res que se encadenan con esa producción mediante la transformación industrial y el comercio global, los cuales dependen de la agricultura para obtener materias primas y los insumos que derivan de su conversión en bienes intermedios y finales. De ahí la importancia de crear recursos que sirvan como puentes entre los actores sectoriales y del gremio, pues el desafío y las implicaciones potenciales al-canzan extremos insospechados, cuando se trata de estimar tanto el daño como las oportunidades que la agricultura tiene ante lo que el escenario plantea-do por el cambio climático puede presentar en toda Latinoamérica.

El aporte de la simulación de impactos del clima en la agricultura y el fortalecimiento de las

capaci-dades relacionadas con la modelización entre los ac-tores del sector, son aspectos que informan la toma de decisiones y contribuyen con el diseño de otras herramientas para la adaptación al cambio climático y la reducción de la vulnerabilidad. Ante los desa-fíos que plantean estas circunstancias, urge generar condiciones para la modernización de las políticas públicas traducidas en medidas ante el cambio cli-mático, que favorezcan a los sectores y subsectores estratégicos de las economías nacionales latinoame-ricanas.

El cambio climático aumenta los riesgos climáticos para la agricultura

El cambio climático cambiará la importancia de los riesgos climáticos para la agricultura. Histórica-mente, la variabilidad climática resultaba en even-tos que redujeron los rendimieneven-tos con frecuencias aceptables. Ahora, el cambio climático significa que esta frecuencia de eventos inusuales aumentará y se magnificará, hasta que años con un clima histórico pasarán a ser los años inusuales, por lo que las pér-didas podrían ser mayores y catastróficas, si no se toman medidas al respecto.

Para minimizar las pérdidas que resultan de la nueva variabilidad climática, la agricultura debe adaptar sus prácticas agronómicas. La adaptación al cambio climático se presenta en dos sentidos: adap-tación a cambios ya evidentes y adapadap-tación proacti-va a cambios venideros. En el primer caso, los cos-tos de rendimiencos-tos perdidos serán alcos-tos, pero las inversiones en la adaptación serán mínimas. En el segundo caso, se trata de anticipar los cambios ve-nideros y adaptarse de manera que permita reducir pérdidas inesperadas causadas por eventos climáti-cos extremos. Sin embargo, hay que tener mucho cuidado con inversiones en adaptaciones a cambios proyectados que no se manifiesten, ya que se perde-rán sin un beneficio real; pueden reducir los fondos destinados para la implementación de mecanismos de adaptación planificada, o bien, resultar en pérdi-das adicionales en casos de estrategias inadecuapérdi-das de adaptación.

La cadena de modelación de los impactos del cambio climático

El reto para el modelador y los tomadores de de-cisiones es el desarrollo de estrategias de adaptación con base en la mejor información disponible, bus-cando la maximización del rendimiento del capital invertido. La herramienta que se usa para evaluar tales estrategias de manera anticipada son los mo-delos de simulación. La cadena de la modelación de los impactos del cambio climático casi siempre in-cluye tres componentes: la modelación de cambios climáticos, la modelación de los impactos a la agri-cultura y el análisis de los cambios e impactos en el contexto en que se toman decisiones (figura 1).

Mediante el uso de la cadena de modelación, se busca responder a las siguientes preguntas:

1. ¿Cuáles son los cambios climáticos proyecta-dos?

2. ¿Cómo afectarán estos cambios a la produc-ción agrícola y qué se puede hacer frente a ellos?

3. ¿Hay efectos indirectos a otros sistemas de in-terés que cambian la priorización de medidas de adaptación?

La proyección de cambios climáticos en el futuro se hace mediante modelos globales del clima (Glo-bal Climate Model – GCM). Usualmente el desarro-llo mismo de estos modelos está fuera del alcance de estudios en el sector agrícola; su complejidad requiere institutos especializados con supercompu-tadoras. Sin embargo, de la cantidad de datos dispo-nibles, el experto agrícola tiene que escoger datos aptos para el estudio planteado e interpretarlos de

manera calificada. Estos modelos se presentan con más detalle en la parte 1.6 (recuadro 3)3_.

Escalas de modelaje

El enfoque de este documento está en el uso de la modelación para contestar a la pregunta: ¿cómo los cambios climáticos afectarán a la agricultura y qué se puede hacer frente a estos cambios? Para varios modelos, la información detallada se presenta en las fichas que incluyen 17 ítemes para explicar las carac-terísticas esenciales de cada uno, de manera que el lector reciba una síntesis de lo que cada modelo pue-de brindarle, así como algunas diferencias entre ellos, que pueden ayudar a comprender esta temática de la

modelación en agricultura, específicamente orienta-da a contar con herramientas que brinden criterios acerca de cómo el cambio climático podría afectar al sector agrícola. Los modelos están ordenados por es-cala o criterio de intervención, para ayudar a facilitar la comprensión del alcance de cada uno. Esas escalas o criterios son los siguientes:

• parcela o finca

• cuenca, territorio o región país • escala nacional o global

Para reflejar la amplitud de las actividades y los enfoques abordados en la actualidad por medio de la modelización, se diversificó, en lo posible, el tipo de modelos incluidos. Los hay más y menos com-plejos o sofisticados, individuales e integrados; hay modelos para estudiar el crecimiento de los culti-vos, modelos económicos, modelos integrados (que acoplan un conjunto de modelos individuales en un sistema).

Figura 1. Cadena de modelación de los impactos del cambio climático en la agricultura: (A) modelos del clima global; (B) modelos de simulación de cultivos; y (C) evaluación de los impactos.

Fuente: Elaborada por el autor con base en datos de Blonder et al. 2014, Bunn et al. 2015, Phillips et al. 2006, Ramirez y Jarvis 2010 y Solomon et al. 2007.

3. Para escalas temporales cortas, una alternativa al uso de GCM es el análisis y la extrapolación de tendencias en series temporales del clima histórico. Sin embargo, el análisis estadístico de tendencias muchas veces falla por la mala calidad de los datos disponibles, y una extrapolación de tendencias al largo plazo no se permite.

De modelos a decisiones

Los modelos integrados representan el paso de la mera simulación de los impactos del cambio cli-mático en la producción agrícola hacia el análisis de efectos indirectos y del contexto de decisiones. La priorización de medidas de adaptación representa un tema de investigación en sí mismo y, por esta ra-zón, la presentación de herramientas queda incom-pleta en esta categoría. Existen tres tipos de análisis de modelos: el análisis espacial, la intercomparación de modelos y los modelos integrados (figura 2).

Igual a la simulación de los impactos, el análisis se hace a escalas espaciales. Se incluyen dos herramien-tas para el análisis de este tipo: ArcGis y R., que son softwares con capacidades avanzadas y que se utilizan cada vez más para representar los resultados obteni-dos en los modelos de simulación, puesto que permi-ten hacer análisis espaciales y representaciones gráfi-cas de los resultados de los modelos de simulación. La diferencia se encuentra en la facilidad del aprendizaje y la flexibilidad del programa. ArcGis es más accesible que R, pero R ofrece más opciones y automatización.

Dadas las limitaciones de la simulación de pro-ducción agrícola, es importante entender las

capa-cidades del modelo mismo. La intercomparación de modelos permite analizar los efectos de la para-metrización de los modelos, las limitaciones de los modelos y la identificación de impactos unívocos. El AgMIP es un proyecto ejemplar a nivel mundial, que busca fortalecer el conocimiento científico so-bre la modelación en la agricultura. Los protocolos, las publicaciones y los resultados desarrollados por AgMIP son una fuente valiosa para mejorar las ca-pacidades en la modelación.

Finalmente, los modelos integrados buscan com-binar modelos de producción con modelos económi-cos. Esto permite el análisis de efectos indirectos de impactos de un cultivo a otro, o de una región a otra, y se pueden incluir efectos de políticas y una deman-da aumentademan-da (figura 2). A nivel de país, se han usa-do modelos CGE (Computable General Equilibrium), que permiten analizar diferentes efectos; por ejemplo, la demanda de labor rural. Sin embargo, más usual es el empleo de modelos de equilibrio parcial (PE) por su capacidad de simular efectos de una manera espacial-mente explícita, lo que es más realista en el caso del cambio climático. Aquí se presentan dos ejemplos, el modelo IMPACT y el modelo GLOBIOM, los que se han usado para investigar impactos del cambio climá-tico sobre la seguridad alimentaria en Latinoamérica.

Fuente: Elaborada por el autor con base en datos de Havkik et al. 2012.

Figura 2. Cadena de modelación integrada: (A) escenarios de emisiones de origen humano con supuestos sobre crecimiento de población y economía; (B) modelos del clima global proyectan cambios del clima, accionados por los escenarios de emisiones; (C) cambios en la demanda inducidos por el crecimiento de la población y la economía; (D) modelos de simulación para evaluar los efectos de los cambios del clima; y (E) modelos económicos integran los cambios en la demanda y la producción para incluir los efectos de los mercados y los precios.

1.1. ¿Qué es un modelo?

Una definición genérica del concepto de “mo-delo” lo describe como la representación de un ob-jeto, sistema o idea, distinto al de la entidad misma u original (Bermón Angarita s. f.). De manera más compleja, puede definirse como “un esquema teó-rico, generalmente expresado en forma matemáti-ca, de un sistema o de una realidad”. Un modelo puede tratar de explicar, por ejemplo, la evolución económica de un país, elaborado para facilitar su comprensión y el estudio de su comportamiento (RAE 2014d). Puede tener diversos propósitos, pero siempre implica la intención de ayudar a entender o ya sea, mejorar un sistema. Cuando se trata de la representación de un sistema, un modelo permite observar situaciones o relaciones entre sus compo-nentes de forma concisa, eficiente y efectiva (Ber-món Angarita s. f.). Todo modelo tiene limitaciones con respecto al sistema que trata de representar, dado que no puede tomar ni simular cada detalle del original.

Por estas limitaciones, se dice que “todos los modelos son erróneos, pero unos son útiles” (Box y Draper 1987, p. 424). Esto quiere decir que en la evaluación para escoger un modelo adecuado siem-pre se debe hacer la siem-pregunta; ¿sirve a su propó-sito?, el cual es ayudar a entender. El modelador, quien busca entender las implicaciones del cambio climático, muchas veces será confrontado con las limitaciones de sus modelos. Dada la complejidad del objeto de la modelación, el sistema climático, el crecimiento de una planta, la economía agrícola, resulta imposible hacer predicciones exactas del fu-turo, ni es posible incluir todos los detalles del siste-ma analizado, pero lo que sí es posible es diseñar un modelo que ayude a entender y explicar un evento o situación particular.

• Un modelo es una representación matemática de un sistema.

• Un modelo no es una bola de cristal.

• Un modelo es una herramienta para entender interrelaciones.

1.2. ¿Qué es un sistema?

Un sistema es una parte limitada de la realidad que contiene elementos interrelacionados. Es una entidad que existe y opera en un tiempo y en un espacio dado y depende de la interacción entre sus componentes, lo que le permite realizar procesos que dan la razón de ser al propio sistema, según sea su naturaleza o propósito (Atehortúa et al. 2008, Caselles 2008).

Cuando se describe y estudia un sistema se ha-cen suposiciones acerca de su comportamiento, pero no siempre se puede observar un sistema fun-cionar. Por eso, la alternativa es el diseño de mo-delos, con la finalidad de poder estudiar el sistema, simulándolo, representando algunas o muchas de sus variables4_{, entidades e interrelaciones.}

La simulación de los impactos del cambio climá-tico en la agricultura, usualmente formula modelos de tres sistemas: el sistema global del clima, el sis-tema de producción agrícola, y el sissis-tema de la eco-nomía agrícola. En esta cadena secuencial de mode-los, los resultados de modelos de escala superior se trasladan a modelos de escala inferior, pero no en sentido contrario. La delimitación de los sistemas de modelos de simulación es histórica, ya que la cien-cia del cambio climático es una disciplina nueva. Los proyectos para evaluar los impactos son de ca-rácter transdisciplinario, porque se requiere de un intercambio intensivo entre investigadores de dife-rentes disciplinas. El propósito es la formulación de modelos que son incluyentes de todos los

elemen-I. Elementos conceptuales básicos sobre

modelos de simulación para estudiar el

clima y sus impactos en la agricultura

tos interrelacionados por el cambio del clima. Sin embargo, en la delimitación de sistemas de manera secuencial también sirve la eficiencia en la formula-ción de modelos, lo cual facilita la interpretaformula-ción de los resultados, con el fin de generar conocimiento útil para los tomadores de decisiones.

En la simulación de sistemas agrícolas también se hacen distinciones de tipos de sistemas, que lue-go dan lugar a distintos tipos de simulación. Usual-mente la definición del sistema se hace por la escala del estudio: planta, finca, cuenca, región, nación y también global. Para cada escala, los elementos in-terrelacionados son diferentes, por ejemplo, a nivel de la planta se pueden considerar distintas copias de genes presentes; a nivel global podrían ser la pre-cipitación anual y la temperatura promedio. Si se toma en consideración un exceso de parámetros e interrelaciones en la formulación de un modelo que incluya todas las escalas y variables, se corre el ries-go de ser no interpretable, fallando en su propósito de ayudar a entender las interrelaciones. De ahí la necesidad de distinguir claramente el sistema que se desea simular y de esta forma, facilitar el análisis y comprensión de los resultados obtenidos.

• Un sistema es una parte limitada de la realidad con elementos interrelacionados.

• Es necesario definir bien el sistema de interés. • Definir su relación con otros sistemas.

• Definir el flujo de datos entre modelos.

• El abarcar un exceso de variables al diseñar un modelo que incluya todas las escalas, puede re-sultar en datos no interpretables.

1.3. ¿Qué es la simulación o el modelado?

La simulación consiste en diseñar un modelo a partir de conocimiento previo sobre un sistema real, para experimentar con él y entender el comporta-miento de ese sistema, de modo que en el futuro sea posible predecirlo. El desarrollo de la capacidad de predicción permite evaluar estrategias y alternativas de gestión, comparar resultados y tomar decisiones acerca del sistema en estudio, para optimizar inver-siones, reducir costos o disminuir vulnerabilidades, daños y pérdidas, en función del período y de las actividades y prioridades que interesan a los actores involucrados (Tarifa s. f., Bermón Angarita s. f.). Es por eso que la ciencia del modelado es una herra-mienta de primer orden para la evaluación de los sistemas agrícolas ante el impacto del cambio climá-tico (recuadro 1).

La simulación es un proceso cuantitativo y el mo-delo que se diseña para realizarla es una abstracción de la realidad, que captura lo esencial de esta. Inicia con el desarrollo del modelo en el nivel conceptual.

Si el modelo conceptual que da lugar al diseño del modelo como herramienta es erróneo, entonces el modelo cuantitativo no cumplirá las expectativas para las que fue desarrollado (UNCUYO s. f.).

Para determinar cómo reaccionaría el proceso o sistema real ante ciertos cambios en el tiempo, lo que se hace es inducir o generar esos cambios en el modelo diseñado, simulando la respuesta que el sistema tendría. Usualmente, los sistemas reales no permiten la experimentación, y cuando esta es po-sible, puede resultar muy cara o riesgosa. De ahí la utilidad de emplear un modelo para hacer experi-mentaciones (Caselles 2008).

Entre las utilidades que proporciona la modela-ción o simulamodela-ción está la contribumodela-ción al conocimiento del funcionamiento de algunos sistemas esenciales, ta-les como los climáticos, los agrícolas, los hídricos y los ecosistemas, por mencionar algunos que tienen una significativa relación, influyéndose unos a otros.

El diseño de un modelo obliga a ordenar y com-pletar la información acerca del sistema que es ob-jeto del estudio y ayuda a identificar sus vacíos y necesidades, a través del proceso de modelación o simulación. Este proceso depende, más bien, de la ejecución del modelo y su resultado, concreto y cuantitativo, lo que es importante cuando se trata de representar o discutir procesos de cierta comple-jidad, como ocurre con el sistema climático. Mode-lar permite la predicción y la experimentación, lo que es fundamental para estimar posibles efectos positivos y negativos del cambio climático sobre las actividades agrícolas (Caselles 2008).

Recuadro 1. Etapas que componen una simulación.

a. Formulación del problema b. Definición del sistema a modelar c. Formulación del modelo

d. Recolección de datos

e. Implementación del modelo en la computadora

f. Verificación g. Validación

La complejidad metodológica y la cantidad sig-nificativa de datos que se requieren para el estudio de un sistema que puede ser agrícola, climático o una combinación de ambos actualmente implican la gestión y el almacenamiento de una gran cantidad de datos. En ocasiones esto se resuelve corriendo un programa de simulación o modelaje en una compu-tadora para estudiar, por ejemplo, las condiciones de producción de arroz en una parcela, empleando el programa DSSAT (ver ficha 3 en la sección II). No obstante, cuando la cantidad de datos que se nece-sita almacenar y procesar es mucho mayor, como sucede con la modelización del clima de una región o del planeta, se utilizan “clústers” (UNAM 2003; ver glosario) o sistemas de cómputo.

• Modelos de simulación se desarrollan a partir de conocimiento previo.

• Permiten proyecciones en espacio y tiempo. • También son una herramienta para descubrir

vacíos en el conocimiento del sistema.

• La gestión de datos es clave para el éxito de proyectos de simulación.

1.4. ¿Cuáles son las alternativas a la simu-lación?

Los modelos de simulación son deductivos, ya que se usa conocimiento previo para su desarrollo (por ejemplo, con base en una revisión de literatu-ra). La alternativa sería el uso de modelos estadísti-cos, o inductivos, para explicar impactos a partir de variables indicadoras; por ejemplo, si existen datos que muestran que la producción de café es baja en años con una temperatura promedio alta durante los meses del verano, uno podría inducir que tem-peraturas altas durante cierta época del año, ge-neralmente causan rendimientos bajos (Gay et al. 2006).

El desarrollo de este tipo de modelos puede ser prometedor, especialmente cuando el sistema de in-terés se defina en márgenes estrechos; así que unas pocas variables bastan para explicar efectos relevan-tes. Adicionalmente, se requieren suficientes datos para identificar efectos significativos. Sin embargo, pocas veces es posible definir un sistema de inte-rés de manera limitada, y la disponibilidad de datos muchas veces es escasa.

Una consideración importante en el caso de la in-vestigación de los impactos del cambio climático, es que la capacidad de extrapolar modelos estadísticos a

otros lugares o tiempos se considera muy limitada. El cambio climático resultará en eventos climáticos pre-viamente no observados. Extrapolar modelos induc-tivos fuera del rango de los datos observados, puede resultar en conclusiones erróneas. Por ejemplo, en una publicación famosa se mostró que los efectos de temperaturas altas sobre la producción de maíz son lineares, dentro de rangos tolerables para el cultivo. Sin embargo, fuera de este rango, los impactos eran exponenciales. Los autores concluyeron que los mo-delos que suponen una relación lineal en este caso, subestimaron impactos. Este efecto fue demostrado a gran escala con una base de datos global, donde estudios locales estadísticos no hubieran capturado este efecto, mientras que con un modelo de simu-lación a escala regional o global, sí se puede reflejar conocimiento de este tipo.

Últimamente se han usado nuevos algoritmos de aprendizaje de máquinas que son capaces de encontrar patrones dentro de datos complejos. Un problema de los modelos estadísticos era que en muchos casos se usaron bases de datos complejas con variables de distintos tipos. Las metodologías, usando regresiones comunes, fallaron en estos ca-sos. Mientras que las metodologías de aprendizaje de máquinas tienen su origen en la minería de datos y se consideran más robustas para la extrapolación, además de que pueden utilizar más variables que las metodologías comunes.

• Alternativas a la simulación son modelos esta-dísticos o de aprendizaje de máquinas.

• El sistema debe ser limitado en su definición y bien descrito por datos.

• La extrapolación de estos modelos puede resul-tar errónea.

• Modelos inductivos se usan para generar hi-pótesis.

1.5. ¿Cuándo se usa la simulación?

El uso de modelos de simulación permite apro-vechar todo conocimiento disponible sobre un siste-ma. Sin embargo, el desarrollo de un modelo puede ser costoso, lento y laborioso. Debe comprenderse que la simulación es una técnica experimental de resolución de problemas lenta e iterativa; es decir, que se basa en la repetición de una operación. La si-mulación, por tanto, alcanza un resultado por apro-ximación a este (recuadro 2). Se opta por emplearla cuando se dan las siguientes condiciones:

• No existe un sistema real que permita aplicar el análisis que sí admite el modelo de simulación, o hacerlo es muy costoso, peligroso o imposi-ble, como sucede con el sistema climático. • La modelación exclusivamente matemático –

analítica del sistema es imposible, como sucede con la climatología y la meteorología, debido a la cantidad de datos que deben ser procesados y almacenados.

• Los modelos matemáticos carecen de soluciones analíticas o numéricas para el sistema en cuestión.

• El modelo de simulación admite la validación de sí mismo y de sus soluciones de forma satis-factoria.

• El modelo de simulación permite suponer una precisión consistente con los requisitos del pro-blema concreto que le es planteado.

• Aprovechar todo conocimiento sobre el sistema. • Permite experimentos en sistemas complejos. • La simulación requiere de inversiones para su

desarrollo, análisis e interpretación.

Recuadro 2. Ventajas y desventajas de la simulación.

Ventajas de la simulación Limitaciones de la simulación5

• Permite una experimentación controlada. • Permite comprimir el tiempo al experimentar. • Permite el análisis de sensibilidad del sistema ante

determinados cambios.

• Evita costos o riesgos, ya que no es necesario inte-rrumpir el desarrollo del sistema para estudiar su com-portamiento.

• No es necesario destruir al sistema si se desea investi-gar sus límites de resistencia.

• Si solo es un sistema propuesto, no es necesario cons-truirlo físicamente.

• Es una herramienta efectiva de entrenamiento. • Puede ayudar a simplificar procesos productivos. • Permite evaluar diseños alternativos de sistemas. • En ocasiones es el único método disponible para

anali-zar un sistema.

• Es un proceso relativamente eficiente y flexible. • Puede ser usada para analizar y sintetizar una compleja

y extensa situación real.

• Permite estudiar los efectos interactivos de los compo-nentes individuales o variables para determinar las más importantes.

• El desarrollo de un modelo puede ser costoso (por el equipa-miento y el tiempo y costo de mano de obra); laborioso y lento. • Existe la posibilidad de cometer errores. La experimentación se

lleva a cabo con un modelo y no con el sistema real, por lo que si el modelo está mal o se cometen errores en su manejo, los resultados también serán incorrectos.

• No se puede conocer el grado de imprecisión. de los resultados. Por lo general, el modelo se utiliza para experimentar situacio-nes nunca planteadas en el sistema real (por ejemplo, impactos del cambio climático en magnitudes desconocidas como parte de la variabilidad climática), por lo tanto, no existe información previa para estimar el grado de correspondencia entre la res-puesta del modelo y la del sistema real, ante un cambio dado. • Es la última opción, cuando otras técnicas no son factibles para

analizar un sistema.

• Es experimental e iterativa, es decir, se acerca a un resultado por aproximación, mediante la reiteración de un ejercicio. • Generalmente proporciona soluciones subóptimas, debido a que

se basa en la iteración de un proceso. • Su validación es compleja.

• La recopilación, análisis e interpretación de resultados requiere buenos conocimientos de probabilidad y estadística.

1.6. ¿Qué es un modelo de simulación?

Un modelo de simulación es una abstracción de un sistema que existe en la sociedad o en la natu-raleza. En la agricultura, los modelos de simulación intentan capturar todos los procesos relevantes en los sistemas de producción de cultivos. Otro ejem-plo son los modelos económicos. En el caso del clima, un modelo de simulación trata de imitar el sistema climático, ya sea globalmente o en alguna de sus características, a partir de unas condiciones iniciales que le son indicadas, como parte del diseño del modelo (Llebot 2009).

En la agricultura, los modelos de simulación imi-tan los procesos ecobiofísicos de la cultivación para modelar el impacto de factores del medio ambiente en los cultivos y sus sistemas ecológicos. Datos de entrada son condiciones iniciales (por ejemplo, la humedad de suelo y el nitrógeno disponible), infor-maciones sobre el cultivo (como las características de la variedad), el manejo (riego, plantación, fertili-zantes) y datos del tiempo a nivel diario de escena-rios actuales (verificación) y del futuro (extrapola-ción). Diferencias entre los modelos existen en los procesos implementados, en las opciones de manejo o en la escala. En la teoría, entonces, se comparan los resultados de varias simulaciones con diferentes condiciones iniciales, mientras que en la práctica se trata de resolver numerosos problemas de disponi-bilidad y calidad de datos.

Estos modelos matemáticos, dada su comple-jidad y para efectos de eficiencia, se calculan me-diante computadoras, por lo que a partir del modelo matemático se desarrolla un programa informáti-co6,7_{. Un modelo de este tipo se elabora para poder}

experimentar con las características esenciales de un sistema real, sin manipularlo directamente. Sus componentes deben corresponderse con los más im-portantes o relevantes de la entidad (sistema u obje-to) modelada, que a diferencia del modelo, sí existe en la realidad (figura 3) (Llebot 2009). En su diseño debe lograrse describir con suficiente detalle el siste-ma que representan esos modelos, de siste-manera que a partir de ellos sea posible hacer predicciones válidas sobre el comportamiento del sistema, en relación con una actividad o un contexto determinado.

Los modelos de simulación no pueden incluir la representación de la totalidad de los procesos que intervienen en sus sistemas. Esta limitación se re-suelve aplicando una técnica denominada “parame-trización” (ver glosario), basada en el uso de algo-ritmos (ver glosario), que se agregan al programa o software que ejecuta la modelización. Así, se logra obtener un resultado que de otro modo no podría el modelo obtener, debido a que la escala que ese cálculo requiere estaría más allá de su alcance. Por ejemplo, la nubosidad en una celda o cuadrante de la atmósfera de un tamaño de 100 km2 _{no está}

rela-cionada únicamente con la humedad de esa celda, pues los elementos y factores del clima interactúan todos entre sí de forma continua. No obstante, se

Figura 3. Representación gráfica del concepto de un modelo de simulación.

Fuente: Bermón Angarita s. f.

6. Un modelo matemático tiene tres fases básicas: 1. Construcción del modelo: transformación del objeto no matemático en lenguaje matemático; 2. Análisis del modelo: estudio del modelo matemático; 3. Interpretación del análisis matemático: aplicación de los resultados del estudio matemático al objeto inicial no matemático

ENTRADA x ENTRADA SALIDA SALIDA Y MODELO SISTEMA PARÁMETROS Característica o atributos de modelo PARÁMETROS Característica o atributos del sistema CORRESPONDENCIA CORRESPONDENCIA INFERENCIA

sabe que si la humedad en esa celda aumenta, la nubosidad también se incrementa. Para poder des-cribir esta reacción, se parametriza la relación entre la humedad y la nubosidad, en un modelo del cli-ma del lugar que se estudia (Llebot 2009), lo cual significa que se agrega al modelo un algoritmo que le permitirá representar esa reacción y cuantificarla (recuadro 3).

• Modelos de simulaciones son representaciones matemáticas de procesos en un sistema.

• Sus componentes deben corresponderse con los más relevantes del sistema modelado. • En la agricultura, representan procesos del

crecimiento de cultivos, manejo y efectos del clima.

Recuadro 3. Modelos climáticos.

Los modelos climáticos y meteorológicos se basan en la aplicación a la atmósfera de las ecuaciones de la física, la química y la dinámica de los fluidos. Los modelos que se emplean específicamente para el estudio del clima y del cambio climático están sustentados en principios físicos y pueden reproducir las características observadas del clima actual y de cambios climáticos del pasado. La confianza que se tiene en las estimaciones de los modelos es mayor para algunas variables climáticas que para otras, como sucede con la temperatura y la precipitación, respectivamente. En el transcurso de varios decenios de desarrollo, los modelos han brindado, de forma sistemática, una idea clara e inequívoca del calentamiento del clima, como respuesta al incremento de los GEI.

Puesto que la atmósfera es muy variable en el tiempo y el espacio y se hace necesario tratar de predecir su comporta-miento, a pesar de la incertidumbre, las ecuaciones deben resolverse para un número muy grande de puntos en la at-mósfera, con el fin de realizar análisis meteorológicos. Si estas simulaciones se realizan durante un período prolongado, entonces pueden hacerse análisis climáticos, entendiendo el clima como el estado promedio del sistema atmosférico y su variabilidad. Para poder resolver muchas ecuaciones en un gran número de puntos durante un período prolongado, los modelos se informatizan como programas que son “corridos” o “ejecutados” en los clústers o súpercomputadoras. Los modelos dividen el sistema por describir —la atmósfera, el océano— en una malla con celdas, o una “grilla”. El modelo resuelve las ecuaciones para cada celda, teniendo en cuenta la interacción de cada una de ellas con sus vecinas. Una vez efectuado este cálculo para cada celda a partir de unas condiciones iniciales, se obtiene la variación del sistema climático según el modelo en una iteración temporal y, por consiguiente, se dispone de unos valores de las variables fun-damentales del modelo para cada celda. Luego, corresponde convertir los resultados anteriores en nuevas condiciones iniciales para una nueva iteración, que a su vez arrojará nuevos valores para las variables de cada celda. Dado que el clima es dinámico, su estudio también debe serlo. Cuanto más pequeña sea cada celda, más preciso será el modelo, pero su cálculo demorará más y será más complicado de obtener. Al estar la atmósfera y los océanos estrechamente acoplados, el esfuerzo del viento sobre la superficie del océano crea fricción y es el principal impulsor de la circulación superficial en el mar. Luego, la evaporación del agua hacia la atmósfera libera calor al condensarse, siendo una fuente importante de energía que caracteriza la circulación atmosférica. Así, los modelos climáticos globales con acoplamiento atmósfera-océano son los que actualmente se utilizan, empleando celdas de entre 100 y 200 km de anchura para la atmósfera y de menores dimensiones para el océano.

Los modelos climáticos y meteorológicos se emplean para pronosticar el tiempo a corto plazo y para estudiar cómo reacciona el sistema climático ante distintos cambios o forzamientos (por ejemplo, variaciones en la energía emitida por el sol, aumentos de la concentración de GEI, o cambios en el uso de la superficie terrestre), en plazos mayores. Estos modelos son validados usándolos para estudiar el clima actual y según los resultados que brinden, se emplean para simular el cambio climático pasado y futuro. Esto último implica poder representar los cambios posibles o previstos de los forzamientos climáticos, naturales y antropogénicos. Algu-nos forzamientos naturales, como la variación de la energía del sol, funcionan a través de mecanismos físicos y pueden incluirse en las proyecciones del estado del clima futuro; otros, como la emisión de gases y partículas de origen volcánico a la atmósfera, son menos predecibles. Los forzamientos de origen humano se sitúan entre esos dos extremos; es decir, no son ni muy predecibles ni esencialmente aleatorios.

1.7. ¿Cómo se clasifican los modelos de simulación?

Los modelos de simulación se clasifican según su propósito original, su estructura y los procesos implementados. Otras diferencias importantes se encuentran en la inclusión del tiempo como varia-ble y en la formulación matemática del modelo.

La clasificación, según el propósito original, refleja la escala en que los modelos fueron desarrollados. Esta clasificación también se usará en la segunda sección de este documento. Ejemplos de modelos a nivel de la finca son EPIC o DSSAT. Estos modelos incluyen in-teracciones dinámicas entre cultivos, suelo, atmósfera y aspectos del manejo. Normalmente, la calibración se hace a partir de resultados de experimentos agro-nómicos. A nivel de la cuenca o ecosistema, mode-los como STREAM o APEX fueron desarrollados para simular las dinámicas del uso de agua, emisiones de carbón y uso de nitrógeno. Muchas veces la imple-mentación se hizo a partir de cultivos genéricos y las dinámicas entre cultivos, aspectos del manejo y varia-bles económicas, se introdujeron luego. A nivel global, se habla de modelos de cultivos reticulados globales (Global Gridded Crop Models). Estos son modelos de cuencas o fincas que se parametrizarán y aplicarán a una escala grande (pixeles de 0.5° lon/lat o 50 km al Ecuador). Una alternativa es una zonificación agro-ecológica (FAO s. f.) que no es un modelo de simu-lación como tal porque no es dinámico, pero que im-plementa muchos procesos relevantes a escala global. Usualmente, los modelos a nivel de finca inclu-yen más procesos que los modelos de cuencas; por ejemplo, en EPIC incluye estrés por aluminio, po-tasio, densidad y estrés por calor específico al cul-tivo, mientras los modelos de cuencas no siempre modelan limitaciones por nutrientes y estrés por sequía o temperaturas altas, sino que se implemen-tan de manera generalizada. Dado que el cambio climático es en parte causado por niveles altos de dióxido de carbono en la atmosfera, el efecto de la alta concentración de este gas como fertilizante de plantas es un aspecto relevante en la modelación de los impactos del cambio climático. Generalmente, una inclusión de efectos de este tipo reversa unos impactos negativos. Sin embargo, la magnitud de este efecto es sujeto de discusiones reñidas.

Otra clasificación separa los modelos en estáti-cos y dinámiestáti-cos. Un modelo estático no reconoce el tiempo como variable cambiante: se enfoca en

des-cribir un instante del estado de un sistema, como si se tratara de una fotografía. En este tipo de mo-delo, el tiempo no tiene una función. Un modelo dinámico sí incorpora el tiempo y el transcurso de este es un criterio básico para el diseño, en el que se representa el sistema a lo largo de su evolución. Este tipo de modelo brinda una secuencia del siste-ma sobre una línea cronológica, a lo largo de la cual describe sus relaciones y estados en diferentes mo-mentos (UTN s. f.). Esta clasificación es importante en el caso de modelos económicos, que usualmen-te comparan equilibrios del mercado (por ejemplo, al principio de un periodo y al final de este). Los modelos sobre crecimiento de cultivos, usualmente son dinámicos ya que lo que pasa entre comienzo y final del periodo es de interés. Obviamente, los modelos dinámicos requieren de más recursos de procesamiento.

Los modelos de simulación también pueden cla-sificarse como deterministas o estocásticos. Los pri-meros se caracterizan porque las entidades que los integran se relacionan entre sí con base en una lógi-ca constante, es decir, no son aleatorias ni dependen de la probabilidad. En el caso de los estocásticos, se trata de modelos en los cuales al menos una parte del proceso de simulación tiene una naturaleza ca-sual, dependiente del azar. En el ámbito de las ma-temáticas, este concepto se emplea para referirse a los procesos cuya evolución en el tiempo también es aleatoria, tal como una secuencia de lanzamiento de los dados en un juego de mesa en la que no se puede controlar el resultado, aunque sea uno mis-mo el que lance los dados (RAE 2014c).

• Clasificación según propósito original: finca, cuenca o global

• Procesos implementados: estreses específicos, CO2, interacciones entre módulos

• Dinámicos o estáticos • Deterministas o estocásticos

1.8. ¿Por qué se emplean modelos de simulación para estudiar el clima y el impacto del cambio climático sobre las actividades agrícolas?

La variabilidad climática siempre ha dado lugar a amenazas recurrentes sobre el sector agrícola. El cambio climático agrega incertidumbre a dicha varia-bilidad, puesto que modifica sus parámetros, lo que hace más complejo, pero también más necesario,

es-timar cómo será afectado el sector agropecuario por esa causa. Un aspecto favorable de esta circunstancia, agregada a las interrogantes que persisten en torno al funcionamiento del sistema climático, es el fomento que ha recibido el desarrollo de capacidades asocia-das con la modelización del clima. Esto ha contri-buido a conocer mejor las interacciones del sistema atmósfera-océano-superficie terrestre, en relación con el calentamiento global. Este último es descrito por expertos como un “experimento” que se origina en el incremento de los gases de efecto invernade-ro (GEI) en la atmósfera terrestre. No es posible co-nocer cuál sería el clima actual ni el de las décadas próximas, sin el forzamiento (ver glosario) de origen antrópico inducido al sistema climático por parte de las actividades humanas desde hace algunos siglos, ni las consecuencias definitivas de este proceso sobre el clima del planeta (Oglesby y Rowe 2010).

La necesidad de conocer mejor los efectos del cambio climático se ha convertido en un incentivo para estudiar y comprender mejor la vulnerabilidad del sector agropecuario ante las amenazas climáticas en general. El objetivo fundamental de la simulación del clima y de sus impactos sobre la agricultura, es el de prever qué ocurriría en caso de darse determi-nadas alteraciones de las condiciones anteriormente conocidas, como parte de la variabilidad climática es-tacional. Aun con la incertidumbre inevitable de los modelos para el estudio de la influencia del cambio climático sobre los sistemas naturales y en particular, sobre la agricultura, sus resultados ofrecen una alter-nativa para mirar al futuro de una manera sistemá-tica y estimar posibles impactos, pudiendo proponer respuestas que reduzcan sus efectos negativos y con-tribuyan a obtener beneficios que resulten positivos o favorables para las actividades agrícolas y conse-cuentemente para la estabilidad social, económica y política de las naciones.

Los impactos potencialmente causados por el cambio climático se entienden como las consecuen-cias específicas que pueden operarse en un sistema que está expuesto a él (Oglesby y Rowe 2010). La vul-nerabilidad, por su parte, puede entenderse como “la propensión o predisposición de un ente, sujeto o sis-tema, a ser afectado de forma negativa”. Comprende una variedad de conceptos y elementos que incluyen la sensibilidad o susceptibilidad al daño y la falta de capacidad de respuesta y adaptación (IPPC 2014). El sistema en cuestión puede ser natural o de tipo huma-no y socioeconómico, o una mezcla de ambos.

La vulnerabilidad es altamente dinámica y por ello, variable en el tiempo y el espacio. La necesi-dad de comprenderla representa el principal desafío de la adaptación al cambio climático, junto con el diseño de políticas y medidas que contribuyan con esa adaptación como tal. No obstante, el cambio cli-mático puede ocasionar no solo impactos con con-secuencias negativas, sino también puede dar lugar a efectos positivos o favorables para algunas activi-dades, entornos, paisajes o sectores.

El Grupo Intergobernamental de Expertos sobre el Cambio Climático (IPCC) ha establecido siete cri-terios para identificar las principales vulnerabilida-des: i) magnitud de los impactos, ii) cronología de los impactos, iii) persistencia y reversibilidad de los impactos, iv) probabilidad (estimaciones de incer-tidumbre) de los impactos y las vulnerabilidades y grado de confianza en esas estimaciones, v) poten-cial de adaptación, vi) aspectos relacionados con la distribución de los impactos y las vulnerabilidades y vii) importancia del sistema o de los sistemas que corren riesgo (Oglesby y Rowe 2010).

La modelización de los impactos es un insumo sumamente útil para conocer la vulnerabilidad específica de componentes y actividades agropecuarias y contribuir a aportar información para el análisis de estos criterios, de forma que sean útiles en la formulación de políticas de adaptación al cambio climático, así como para el desarrollo de medidas concretas que las hagan efectivas.

1.9. Simplicidad versus complejidad en el diseño de modelos de simulación

Un modelo puede ser más sencillo o más com-plejo, según el tipo de sistema específico que trata de representar y el nivel de detalle con que se dise-ñe. No obstante, debe tenerse en cuenta que siem-pre resiem-presentará la realidad del sistema original de manera simplificada, pues es solo una abstracción de aquel. Además, un único modelo no puede pre-tender brindar todas las respuestas posibles sobre el sistema en cuestión, sino a lo sumo, aquellas rela-cionadas con las preguntas de interés para el inves-tigador y otros actores, en un momento dado y ante un escenario determinado.

El balance entre lo sencillo y lo complejo, así como en cuanto al nivel de detalle, es un aspecto crítico cuando de diseñar un modelo se trata. En el caso de un modelo de cierta complejidad, es

inevita-ble que el número de parámetros sea mayor que en uno simple, pero siempre debe buscarse que todas las variables tengan un propósito que contribuya al objetivo común que justifica la creación del mode-lo y del proceso de simulación. Incorporar mayores niveles de detalle implica, usualmente, disponer de más datos para alimentar la estructura del diseño, lo cual no siempre es factible, puesto que puede ser que los datos no existan o no estén disponibles, o que el modelo se torne inmanejable. Sin embargo,

un mayor nivel de detalle, diversidad de variables, y un aumento en la cantidad de datos pueden con-tribuir a reducir la incertidumbre (ver glosario), en la medida en que permiten responder las preguntas con más precisión, o, responder más preguntas. Un nivel de detalle significativo o de cierta profundi-dad, ofrece mayores oportunidades para estudiar distintas combinaciones acerca de la respuesta del sistema ante distintas circunstancias.

Es por eso que los modelos son muy útiles para describir, explicar o comprender mejor la realidad, cuando es imposible trabajar directamente sobre ella, lo que sucede a menudo con sistemas comple-jos, como el climático. En su caso, existe un amplio abanico de modelos para la mayoría de los compo-nentes de ese sistema, cada uno de ellos con ob-jetivos específicos (figura 4). Esta complejidad se hace evidente cuando se trata de relacionar el clima con la agricultura, en un contexto de escenarios de cambio en el clima.

Un modelo de simulación debidamente diseña-do, se caracteriza por cumplir estos criterios (Tarifa s.f.):

• Se basa en un objetivo claro.

• Dispone de los datos necesarios para alimentar las variables con que experimentará.

• Es fácil de comprender y sigue una progresión, desde lo sencillo a lo complejo, para facilitar el abordaje de su operación por parte del usuario. • Busca respuestas que no son obvias ni absur-das, es decir, que requieran del diseño, ejecu-ción y análisis del modelo y de su resultado, para alcanzarlas.

• Cumple con resolver una carencia que no se puede solventar con otra técnica, por ejemplo, con base en modelos analíticos.

• Puede ser controlado y manipulado por el usuario, de tal forma que permita la realización de los experimentos propuestos.

• Es completo y coherente; es decir, trata de guardar las relaciones del ente, objeto o sis-tema original que representa, y contiene los elementos básicos o esenciales de este en su diseño. Esta característica lo hace funcional y manejable.

1.10. La incertidumbre en los modelos de simulación

La certeza o certidumbre es el conocimiento se-guro y claro de algo (RAE 2014a). La pregunta prin-cipal cuando se valora la certeza de un modelo es si hace bien lo que se le pidió que hiciera (Oglesby y Rowe 2010). En otras palabras, el modelo se limita a hacer lo que se le indica cuando fue diseñado, o así debe ser. La respuesta a ello determina si se pue-de confiar en el mopue-delo y en sus resultados. Esto explica también el porqué un modelo mal diseña-do, no contestará a las preguntas que se le planteen (recuadro 4).

Los modelos de simulación que estudian el clima y sus efectos sobre los sistemas biofísicos y la agri-cultura se basan en principios relacionados con as-pectos tales como el conocimiento de la atmósfera, la hidrología, el sustrato geológico, la fenología de los cultivos y otras características de la producción, de los sistemas hídricos, los ecosistemas. El acervo técnico necesario para desarrollarlos es amplio y el conocimiento sobre ellos en la actualidad es signi-ficativo. En ese sentido, los modelos de simulación

Alto Alta Alcance Bajo Baja Complejidad Modelo de evaluación integrada Modelos de balance de energía Modelos de balance de energía / difusión -afloramiento Modelos de bioma simples Modelos de ciclo del carbono

Modelos mar - hielo Modelos radiativos - convectivos Estructura de la trasferencia suelo, vegetación, atmósfera Modelos de circulación general atmosféricos Modelos de circulación general atm.- oceánicos

acopiados

Figura 4. Comparación esquemática de modelos climáticos diferentes y de los componentes de esos modelos en términos de alcance (eje vertical) y complejidad (eje horizontal). El alcance se refiere a la cantidad de componentes o procesos incluidos en el modelo. La complejidad se refiere al grado de detalle con que se analizan los componentes.

representan recursos válidos y sumamente útiles, para responder preguntas y generar escenarios de análisis que, de otro modo, no serían posibles.

A pesar de lo anterior, hay aspectos que los mo-delos para el estudio del cambio climático no pue-den prever o cuyas características aún se descono-cen. Los modelos de simulación arrojan escenarios de un comportamiento futuro, ya sea de un futu-ro inmediato o más distante, según el plazo que se desee estudiar. Se tiene un nivel de confianza con-siderable en cuanto al hecho de que los modelos climáticos proporcionan estimaciones cuantitativas creíbles sobre los cambios climáticos futuros, en par-ticular, para la escala continental (Oglesby y Rowe 2010), sin desconocer que persiste la incertidum-bre, es decir, que lo que el modelo señala es uno de varios posibles resultados. Pese a ello, en las últimas décadas, los modelos han sido consistentes en mos-trar que el clima evidencia una tendencia al calen-tamiento, como respuesta del sistema atmosférico al incremento de los GEI. Es imposible que un modelo resuelva todos los problemas planteados en relación con un sistema o un proceso, como tampoco puede responder todas las preguntas relacionadas con lo que puede suceder, en cualquier período de análisis.

En el ámbito de los modelos de simulación, la incertidumbre es un factor inevitable que varía de un modelo a otro y que tiene por origen fuentes y causas diversas. Conocer cuáles son los factores

de incertidumbre en un modelo de simulación, ya sea de circulación global o regional del clima, o de estimación de impactos del cambio climático sobre alguna actividad agrícola, la disponibilidad de agua u otro aspecto relevante para la agricultura, es muy importante puesto que se relaciona con la confian-za que el modelo puede ofrecer al modelador y al usuario.

Los modelos como los que se incluyen en la sis-tematización adjunta, también tienen limitaciones, dado que podría ser que los datos con que se ali-mente a algunos de ellos, no sean de calidad, o que por su diseño, funcionen muy bien en unas latitu-des y en otras no. En ello influyen las suposiciones asumidas en la fase de diseño del modelo y los con-troles de calidad que se aplican a los datos con que un modelo se alimenta. Además, los modelos pue-den contener errores, derivados ya sea de las simpli-ficaciones que pudieron aplicarse en su elaboración para facilitar el procesamiento de los datos, de la transcripción en forma numérica, o de la definición de las condiciones iniciales del sistema que se ali-mentan en el modelo (Llebot 2009). No obstante, tenga o no errores, un modelo siempre tiene incer-tidumbre.

Cada método tiene insuficiencias e incertidum-bres únicas. Entre los aspectos que generan incerti-dumbre en los modelos para el estudio del sistema climático están las propiedades de las nubes, el efec-to de los aerosoles sobre el balance de radiación del

Recuadro 4. Validación de un modelo: una explicación básica.

En el recuadro 1 se hizo alusión a la validación como uno de los últimos pasos en el desarrollo de un modelo. Este es un paso importante, por su relación con la confianza que el modelo puede ofrecer para hacer lo que se espera de él. Un modelo se construye para ser aplicable a una generalidad o conjunto de sistemas, no para un sistema en exclusiva. Esta es una condición determinante para poder decir que es en efecto, un “modelo”. No obstante, dado que se construye a partir de datos tomados de un pequeño subconjunto de sistemas, es necesario hallar la forma de asegurar su validez para darle un uso amplio, en la explicación de un conjunto mayor de sistemas. Validar un modelo es comprobar que con el tipo de datos disponibles se pueden obtener los resultados deseados y que estos serán fiables. Esto se logra compa-rando las predicciones del modelo con mediciones realizadas en el sistema real en funcionamiento, con datos históricos de ese sistema o de sistemas similares. El método clásico de validación es el que se denomina “predicción del pasado” o, “simulación ex post”. Consiste en suministrar al modelo datos históricos, cuyos resultados también se conocen y observar si los reproduce. Si lo hace de forma aceptable, entonces funciona bien y queda validado. Para ello se espera que obtenga un coeficiente de variación menor al 5 % con respecto a los resultados conocidos del mismo modelo. En el caso de los modelos de simulación del cambio climático, se usan observaciones reales para validar, en la mayor medida posible, su capacidad para simular el clima actual y poder establecer cuáles son los factores de incertidumbre. Como resultado de esta etapa puede surgir la necesidad de modificar el modelo o recolectar datos adicionales.

clima, los cambios que se producen en la circulación oceánica o en el ciclo del carbono, por su acumula-ción y flujo entre la atmósfera y la biosfera terrestre y los océanos. Todos ellos aún no han podido ser in-corporados adecuadamente dentro de los modelos de simulación, puesto que se desconocen aspectos claves de su comportamiento e influencia dentro del sistema climático. Las variables que se emplean y la determinación de los valores de los parámetros también introducen otra fuente de incertidumbre en los modelos, al desconocer cómo influyen en el resultado que estos arrojan. En la medida de lo posible, los modelos climáticos emplean principios físicos básicos o simplificaciones que crean la menor cantidad de incertidumbres.

El IPCC afirma que la mayoría de las fuentes de incertidumbre a escala regional son similares a las que se observan a escala mundial, afectando así los modelos climáticos en ambas escalas. También señala que la falta de homogeneidad en la cubier-ta terrestre y los cambios en el uso de la tierra, así como los forzamientos como resultado de aerosoles atmosféricos, influyen y afectan el resultado de los modelos de circulación empleados para estudiar el cambio climático. Esto es relevante en el caso de América Latina, porque el cambio climático atribui-ble a cambios en el uso de la tierra, como la urbani-zación y la deforestación, puede ser muy grande, y si la deforestación se produce por medio de incen-dios forestales, por ejemplo, constituye una de las principales fuentes de aerosoles, que también pue-den tener un impacto importante sobre el clima re-gional, y son difíciles de estimar con base en los mo-delos disponibles. Por ejemplo, el forzamiento total que existía en 1990, debido a los cambios de ozono troposférico en la atmósfera tiene una incertidum-bre de al menos ± 50 %, es decir, no hay certeza y lo mismo puede llegarse a un resultado que al otro, en una proporción de un 50 % en cualquier dirección. Este es un ejemplo de cómo persiste la incertidum-bre en la ciencia del cambio climático.

Hay muchos otros criterios y variables que tie-nen estimaciones de incertidumbre elevados, inclu-so en la actualidad, cuando se trata de estudiar el cambio climático futuro. No obstante, aceptando que metodológicamente hay desafíos importantes por resolver, la modelización o simulación ha con-tribuido en las últimas décadas a aclarar de forma significativa los vacíos en el marco conceptual y técnico en relación con el estudio del clima actual

y futuro, ha permitido avances en el desarrollo de múltiples herramientas con ese fin y ha ayudado a comprender mejor la relación entre los componen-tes del clima, tanto atmosféricos como oceánicos. • Un modelo siempre tiene incertidumbre. • La incertidumbre se debe a la complejidad del

sistema modelado, la imposibilidad de desarro-llar una representación perfecta del sistema y la escasez de datos.

• Repeticiones de las simulaciones con variacio-nes de supuestos permiten la identificación de resultados consistentes.

1.11. ¿Cómo manejar la incertidumbre?

En la sección anterior se dio una presentación acerca de la incertidumbre en la modelación de los impactos del cambio climático y sus fuentes. La in-certidumbre es inevitable por la complejidad del sistema climático y la imposibilidad de hacer una representación perfecta de ello y la escasez de datos de alta calidad. Sin embargo, los modelos climáticos son consistentes en su resultado que las emisiones de GEI causarán un calentamiento global. A pesar de la incertidumbre de los modelos, es posible llegar a conclusiones definitivas.

La manera de manejar la incertidumbre es la re-petición de experimentos de simulación de manera independiente con variaciones en los supuestos. Sin embargo, un modelo de simulación muchas veces es complejo y su desarrollo requiere de recursos sustanciales. Así es, no es factible para el modelador o funcionario del sector variar y controlar el efecto de cada variable de entrada para investigar el im-pacto de la incertidumbre. Es necesario identificar las variables con mayor impacto sobre el resultado.

En la introducción se presentó la cadena de mo-delaje que se usa para investigar los impactos del cambio climático a la agricultura. El primer paso era la identificación de los cambios proyectados por los modelos de clima. La modelación del clima mismo usualmente está afuera del marco de estudios en el sector agropecuario. El segundo paso fue la simu-lación de estos impactos al sistema de estudio. Se planteó que en el diseño de un estudio es necesario escoger los datos correctos de la multitud de datos disponibles de proyecciones del clima, y que, ade-más, es importante definir bien el sistema de estu-dio y las preguntas que se quiere investigar.

Son estos factores los que se pueden variar para hacer un análisis de incertidumbre, con el propósito de identificar resultados consistentes. En las siguien-tes dos secciones se discute con más detalle el mane-jo de la incertidumbre de las proyecciones del clima. Primero, se presentan los escenarios de emisiones de GEI y luego las diferencias entre modelos del clima.

La cuestión de incertidumbre debido a la de-finición de sistema y enfoque de investigación es específica al estudio planteado. Es clave entender un modelo de simulación como una herramienta para formalizar conocimiento y entender interrela-ciones. La simulación es un proceso iterativo en el cual los resultados iniciales se usan para adaptar los supuestos originales. La inclusión en el proceso de modelación de talleres con tomadores de decisiones, expertos locales y otros usuarios de la información generada apoya para interpretar los resultados de la simulación, disminuir la incertidumbre y la identifi-cación de recomendaciones consistentes.

• Se deben tener claras las fuentes de incerti-dumbre en el estudio.

• La interpretación de los resultados de la simu-lación solamente es válida en el contexto de la incertidumbre.

• La retroalimentación de resultados apoya para identificar resultados consistentes.

1.12. ¿Cuál modelo del clima se debería escoger?

Estudios sobre los impactos del cambio climáti-co en la agricultura climáti-comienzan climáti-con un análisis de los cambios proyectados. Estas proyecciones son los resultados de modelos de simulaciones del clima global. No obstante, persiste una incertidumbre sig-nificativa acerca del clima del futuro, relevante para estudios de los impactos. Los resultados de la inter-comparación de modelos del IPCC muestran que, especialmente en la región tropical, la coherencia entre modelos para la precipitación es baja. Signifi-ca que los datos de los modelos del clima deben ser interpretados con cuidado. Aquí se presentan tres estrategias para manejar la incertidumbre del clima del futuro. Solamente dos de estas se recomiendan: escoger “el mejor” modelo, usar todos los modelos, usar una muestra representativa de los modelos.

Hasta ahora, ningún modelo conocido se considera “el mejor” para simular el cambio climático, debido a que no existe uno que modele perfectamente el clima actual. La diferencia entre el clima observado y el cli-ma simulado representa el sesgo del modelo y todos los modelos padecen esa circunstancia. Para contrarrestar-la parcialmente, se emplean modelos múltiples en este tipo de análisis, aunque esto no elimina el sesgo propio de cada diseño específico de modelaje. En el caso del clima actual, este sesgo puede estimarse cuantificando la incertidumbre del modelo, en relación con el clima observado y registrado en los datos. Para la mayoría de los modelos, el sesgo es pequeño y los factores que lo crean son bastante conocidos, aunque el sesgo varía de un modelo a otro. El problema radica en que no hay ninguna garantía de que los sesgos del modelo utilizado para simular el cambio climático futuro, sean los mis-mos que los que el modelo produce al simular el clima actual. Hasta que estos sesgos no se reduzcan al míni-mo, se corrijan o, al menos, se comprendan, es difícil asignar probabilidades más robustas a la posibilidad de ocurrencia de las predicciones de los modelos de cam-bio climático8 _{(figura 5).}

Figura 5. Temperaturas medias mundiales de las zonas cercanas a la superficie durante el siglo XX, con base en las observaciones (negro) y según datos obtenidos a partir de 58 simulaciones realizadas mediante 14 modelos climáticos diferentes, motivados por factores naturales y humanos que influyeron en el clima (amari-llo). Se muestra también la tendencia media (línea roja gruesa). Las anomalías de la temperatura se muestran en relación con la media entre 1901 y 1950. Las líneas grises verticales indican el momento en que tuvieron lugar las principales erupciones volcánicas.

1.0 0.5 0.0 - 0.5 - 1.0 1900 Anomalías de la temperatura ( ˚C) 1920 Año 1960 1940 1980 2000

Santa María Agung

Pinatubo El Chichon

Fuente: Oglesby y Rowe 2010.

Dado que no existe “el mejor” modelo según la reproducción del clima histórico y que no hay me-dio de saber cuál modelo representa correctamente el clima del futuro, se ha establecido usar modelos múltiples para investigar los impactos del cambio climático. La figura 5 muestra que la tendencia me-dia del conjunto de los modelos (línea roja) repre-senta bien la tendencia observada (línea negra). Esta observación se usa como argumento para proponer el uso de datos de todos los modelos climáticos. En este caso, los modelos de simulación agrícolas se corren para cada modelo climático y el análisis se basa en los impactos promedios, muchas veces jun-to con escenarios pesimistas y optimistas. Lo que no se permite es calcular un promedio de los modelos climáticos y usar este para la simulación agrícola: los impactos en cultivos muchas veces no son linea-res fuera de rangos de tolerancia; usar el promedio de los modelos climáticos en este caso, resultaría en una subestimación de los impactos probables.

Se presentan dos críticas acerca del uso de un conjunto de todos los modelos climáticos disponi-bles. La primera crítica es que la trayectoria del cli-ma del futuro es desconocida y que podría ser que el promedio de los modelos no refleje bien los cambios venideros. En la ciencia, hay una tendencia de ser conformista: modelos que proyectan cambios fuera del rango de los otros modelos serán criticados de ser no realistas. Resulta que los modelos más extre-mos podrían ser los que den las proyecciones más correctas. La segunda crítica es de carácter práctico: correr y resumir simulaciones de impactos para to-dos los modelos climáticos, puede ser laborioso.

Por esto, se propuso usar una muestra represen-tativa de los modelos disponibles. Usualmente se calculan indicadores útiles para la región del estudio como: aumento en temperatura promedio, cambio en evapotranspiración o la duración de sequías para todos los modelos. Con base en estos indicadores, se escoge una muestra que incluye la mayor parte de la variabilidad de las proyecciones climáticas.

• No existe “el mejor” modelo.

• Usar todos los modelos climáticos para simula-ciones brinda un escenario más probable. • Usar una muestra representativa de modelos

climáticos permite la identificación de resulta-dos consistentes con mayor eficiencia.

1.13. ¿Cuál escenario de cambio climático se debería usar?

Si la temperatura global aumenta 1 °C o 5 °C hasta el año 2100 depende de escenarios de emisio-nes. La selección del escenario tiene implicaciones importantes para el propósito de estudios sobre los impactos del cambio climático. Proyecciones del cli-ma en el futuro se generan con modelos del clicli-ma. Estos modelos son representaciones matemáticas de los procesos atmosféricos del clima global. El proce-so clave para el cambio del clima es el forzamiento radiativo causado por emisiones de GEI de origen humano. El forzamiento radiativo resulta en una mayor energía del sol absorbida en la atmósfera y se expresa en W/m². Las emisiones de GEI dependen de las trayectorias del desarrollo humano. Una gran incertidumbre persiste en el incremento de la po-blación humana global, el desarrollo económico, el cambio de uso de tierra, y el éxito del uso de fuentes de energía renovables, en vez de energía fósil. Es por eso que se usan escenarios que son representa-tivos de las posibles trayectorias del desarrollo hu-mano, en lugar de simulaciones.

Estos escenarios se llaman “Representative Concentration Pathways” (trayectorias repre-sentativas de concentración - RCP). Se denomi-nan por sus niveles de forzamiento radiativo RCP 2.6, RCP 4.5, RCP 6.0 y RCP 8.5 (por ejemplo, RCP 8.5 resultará en un forzamiento radiativo de 8.5W/m² hasta 2100). La figura 6 muestra los supuestos de los escenarios para el crecimiento de la población global y el aumento de la activi-dad económica.